Explicación de la tarea 8 Felipe Guerra
|
|
- José Francisco Martínez Venegas
- hace 5 años
- Vistas:
Transcripción
1 Pruebas de bondad de ajuste de χ 2 Explicación de la tarea 8 Felipe Guerra Las pruebas de bondad de ajuste corresponden a una comparación entre la distribución de una muestra aleatoria y una distribución específica. 1. Los siguientes datos se refieren al tiempo (en minutos) de servir la orden en un restaurant. CLASE FRECUENCIA Aplicar una prueba de ajuste χ a una distribución normal con α = P Primeramente calculamos los parámetros requeridos por la distribución normal de acuerdo con lo aprendido en la semana 2 para el cálculo de parámetros estadísticos de muestras agrupadas. Promedio Muestral X = 7.75 Desv. Estándar Muestral S = El segundo paso consiste en calcular la frecuencia estimada con la distribución a evaluar (distribución normal en este caso). Para calcular la frecuencia estimada primeramente calculamos la probabilidad de la distribución a evaluar para cada clase. Inferior Superior Observada Normal de clase Menos de Mas de Para el cálculo de la probabilidad normal se usa la siguiente fórmula: =DISTR.NORM(L.S. Clase, Media muestral, Desv. Estandar muestral, 1) Observe que utilizamos el valor de la frecuencia acumulada. Esto es por que en la distribución estándar cuando usamos el valor de acum.=0 Excel devuelve el valor de la función de densidad (Ver notas de la semana 3) y nosotros requerimos la frecuencia estimada para el intervalo específico. Como la frecuencia acumulada incluye el acumulado desde el inicio de la distribución hasta el punto específico, para los valores segundo al penúltimo hacemos una diferencia entre el resultado de la distribución y el valor acumulado hasta la clase anterior:
2 =DISTR.NORM(L.S. Clase, Media muestral, Desv. Estandar muestral, 1) - DISTR.NORM(L.S. Clase anterior, Media muestral, Desv. Estandar muestral, 1) Para la última clase se requiere que se ajuste el valor para completar el 100% de la probabilidad de distribución, observe que el límite de clase ha sido cambiado para incluir el rango teórico de la distribución normal, por lo que aplicamos una diferencia: = 1 - DISTR.NORM(L.S. Clase anterior, Media muestral, Desv. Estandar muestral, 1) Una vez que se tienen todas probabilidades para cada una de las clases, se procede a calcular la frecuencia estimada, que corresponde a la probabilidad de la clase multiplicada por le total de las observaciones. El total de observaciones de la muestra es 60, por lo tanto la frecuencia estimada esta dada por la formula: = Probabilidad de clase * 60 Inferior Superior Observada Normal de clase Estimada Menos de Más de Cómo la prueba requiere que todas las categorías rengan una frecuencia mínima de 5, se procede a agrupar las categorías que no cumplan con esta regla para convertirlas en categorías con frecuencia igual o mayor que 5. Inferior Superior Observada Estimada Menos de Más de Una vez que las clases se encuentran agrupadas para tener clases con frecuencias iguales o mayores que 5 se procede a calcular χ 2 i con la formula: Con lo que se obtiene: χ 2 i = (FO i FE i ) 2 / FE i LI LS F.O. F.E. 2 X i Menos de Más de El valor de χ 2 se obtiene sumando el total de la columna χ 2 i
3 χ 2 = = El valor del crítico esta dado por: En donde: χ 2 α, k-r-1 = PRUEBA.CHI.INV(0.05,4-2-1) = α = 0.05 (ver planteamiento del problema) k = 4 (número de categorías agrupadas) r = 2 (numero de parámetros estimados de la muestra; Media y desviación estándar) La prueba de hipótesis corresponde a: H0: La muestra aleatoria proviene de una población f(x). vs H1: La muestra aleatoria NO proviene de una población f(x). Se rechaza Ho si: χ 2 > χ 2 α, k-r-1 Cómo: > Se rechaza Ho, Se infiere que el tiempo en minutos para atender una orden NO se ajusta a una distribución normal. 2. Aplicar una prueba de ajuste χ 2 a una distribución exponencial con α = 0.05 a los datos del problema 1. Esta problema se resuelve con los mismos pasos del problema anterior, substituyendo la fórmula de probabilidad de una distribución normal por la de una distribución exponencial. Primeramente calculamos los parámetros requeridos por la distribución exponencial. La distribución exponencial requiere de λ (tiempo entre órdenes) para su cálculo. λ = 1 / tiempo promedio entre órdenes = 1 / 7.75 (tomado de X del problema 1) λ = Para el cálculo de la probabilidad normal se usan las siguientes fórmulas: Para la primer clase: =DISTR.EXP(L.S. Clase, λ, 1) Para las clases segunda a penúltima: =DISTR.EXP(L.S. Clase, λ, 1) - DISTR.EXP(L.S. Clase anterior, λ, 1) Para la última clase =1 - DISTR.EXP(L.S. Clase anterior, λ, 1) Obteniendo la siguiente tabla: LI LS F.O. Exp. F.E. Menos de Más de
4 La frecuencia estimada igual que en el problema anterior está dada por: = Probabilidad de clase * 60 Una vez completada la tabla se agrupan las clases con frecuencia menor a 5 quedando: LI LS F.O. F.E. 2 X i Menos de Más de El cálculo de χ 2 i se realiza con la misma fórmula del problema anterior χ 2 i = (FO i FE i ) 2 / FE i χ 2 = = El valor del crítico se calcula en forma similar al problema anterior: χ 2 α, k-r-1 = PRUEBA.CHI.INV(0.05,3-1-1) = En donde: α = 0.05 (ver planteamiento del problema) k = 4 (número de categorías agrupadas) r = 1 (numero de parámetros estimados de la muestra; lambda λ) Observe que el valor crítico cambia por que se tienen menos parámetros estimados a partir de la muestra. H0: La muestra aleatoria proviene de una población f(x). vs H1: La muestra aleatoria NO proviene de una población f(x). Se rechaza Ho si: χ 2 > χ 2 α, k-r-1 Cómo: < No se puede rechazar Ho, Se infiere que el tiempo en minutos para atender una orden se ajusta a una distribución exponencial. Q-Q plot 3. Construir una Q-Q plot para una distribución normal a los datos de la máquina 2 del ejemplo 18 de las lecturas de la semana 8. Los datos de referencia son los siguientes: Ejemplo 18. Se desea comparar el tiempo de ciclo de dos máquinas que fabrican el mismo producto (el tiempo de ciclo es el tiempo en segundos en que se fabrica una pieza). Se toma una muestra aleatoria de cada máquina obteniendo lo que se indica en la tabla 8 máquina máquina
5 1. Se ordenan las observaciones en orden creciente: k x A cada observación x (k) se le estima su probabilidad acumulada mediante la fórmula (k -.5) / n k x Acum Se calcula el percentil teórico mediante la fórmula correspondiente a la distribución a graficar (normal en este caso). a. Se calculan los parámetros de la distribución: X = S = b. Se calculan los valores individuales con la formula: =DISTR.NORM.INV(k, , )
6 k x Ac. Acum. Percentil teórico y Con los datos obtenidos se traza una gráfica de ploteo utilizando la gráfica de dispersión en Excel. (x,y) (11.52,11.33) (11.54,11.60) (11.75,11.76) (11.96,11.89) (11.98,12.00) (12.08,12.10) (12.18,12.20) (12.22,12.30) (12.23,12.40) (12.34,12.53) (12.85,12.69) (13.10,12.96) Nota importante: Las escalas en ambos ejes (x,y) deben ser iguales. 4. Construir una Q-Q plot para una distribución exponencial a los datos de la máquina 2 del ejemplo 18 de las lecturas de la semana 8. El procedimiento es igual al del problema anterior, con excepción del paso 3, en el cual utilizamos los paramentros de una distribución exponencial: 3. Se calcula el percentil teórico mediante la fórmula correspondiente a la distribución a graficar (exponencial en este caso). a. Se calculan los parámetros de la distribución: X = b. Se calculan los valores individuales con la formula: y = θ ln(1 p), y = * LN(1-k)
7 = = = = k x Acum. Percentil teórico (x,y) (11.52,0.52) (11.54,1.62) (11.75,2.84) (11.96,4.19) (11.98,5.71) (12.08,7.45) (12.18,9.48) (12.22,11.91) (12.23,14.97) (12.34,19.05) (12.85,25.26) (13.10,38.60) Observe que las escalas de ambos ejes han sido cambiadas para que sean iguales. Comparación de dos poblaciones 5. Se desea comparar la duración (en millas) de dos marcas de llantas. Se tiene la siguiente información: nb1b 45, X1 = 42500, SB1B 2200, nb2b 45, X2 = 40400, SB2B a. Obtener un intervalo de confianza para la diferencia de las medias de duración de estas dos marcas de llantas con un nivel de confianza de 95% e interpretar el resultado. El IC con un nivel de confianza 1 - α para μ1 μ2 está dado por:
8 Sustituyendo tenemos: Para el lado izquierdo = ( ) + DISTR.NORM.ESTAND.INV((1-0.95) / 2) *RAIZ(2200^2/ ^2/ 45) = Para el lado derecho = ( ) - DISTR.NORM.ESTAND.INV((1-0.95) / 2) *RAIZ(2200^2/ ^2/ 45) = < μ1 - μ2 < Hay un 95 %de confianza de que la diferencia de medias este entre y b. Del (a), se puede inferir que los promedios de duración son iguales?, por qué? Se infiere que las medias no son iguales por que 0 (cero) no esta incluido en el resultado 6. Se estudian motores de ferrocarril con muchas millas recorridas. Se registra la penetración de cono (en mm/10) en el cojinete del piñón y en la armadura del conmutador. Se tienen los siguientes datos. Conm: Piñón: a. Obtener un intervalo de confianza del 90% para la diferencia de medias e interpretar el resultado. En este problema no se conocen las varianzas poblacionales, por lo que utilizamos la formula (3) de la lectura semanal asumiendo que las varianzas poblacionales son iguales. Por lo que usamos el siguiente comparativo: Donde: Primero calculamos los parámetros de las muestras: Tamaño de muestra 1 n1 = 17 Media Muestral 1 X1 = Desv. Estandar Muestral 1 S1 = Tamaño de muestra 2 n2 = 17 Media Muestral 2 X2 = Desv. Estandar Muestral 2 S2 = Nivel de confianza 90% Error alfa α = 0.1
9 Substituyendo en la formula tenemos: S p = RAIZ(((17-1)* ^2+(17-1)* ^2)/((17-1)+(17-1))) S p = Para el lado izquierdo = ( ) - DISTR.T.INV(0.05*2, ) * * RAIZ(1/17+1/17) = Para el lado derecho = ( ) + DISTR.T.INV(0.05*2, ) * * RAIZ(1/17+1/17) = < μ1 - μ2 < Hay un 90 %de confianza de que la diferencia de medias este entre y b. Determinar si de (a) se puede inferir que las medias son iguales, y mencionar las condiciones para que este resultado sea válido. Se infiere que las medias son iguales por que 0 (cero) esta incluido en el resultado Para que el resultado sea válido la penetración de cono en el cojinete del piñon y en la armadura del conmutador se ajustan cada uno a una distribución normal y las varianzas poblacionales son iguales 7. Se comparan los tiempos (en minutos) de dos trabajadores en hacer un trabajo. T1: T2: a. Obtener un intervalo de confianza del 90% para la diferencia de medias de tiempo e interpretar el resultado. Este problema se resuelve de forma similar al anterior, obteniendo lo siguiente: < μ1 - μ2 < Hay un 90 %de confianza de que la diferencia de medias este entre y b. Determinar si hay evidencia de que las medias son iguales e indicar los supuestos para que este resultado sea válido. Se infiere que las medias no son iguales por que 0 (cero) no esta incluido en el resultado Para que el resultado sea válido el tiempo de los trabajadores se debe ajustar cada uno a una distribución normal y las varianzas poblacionales deben ser iguales
Prueba de Hipótesis. Bondad de Ajuste. Tuesday, August 5, 14
Prueba de Hipótesis Bondad de Ajuste Conceptos Generales Hipótesis: Enunciado que se quiere demostrar. Prueba de Hipótesis: Procedimiento para determinar si se debe rechazar o no una afirmación acerca
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA
www.jmontenegro.wordpress.com UNI ESTIMACIÓN Y PRUEBA DE HIPÓTESIS INTERVALOS DE CONFIANZA PROF. JOHNNY MONTENEGRO MOLINA Objetivos Desarrollar el concepto de estimación de parámetros Explicar qué es una
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesENUNCIADO y SOLUCIONES. Problema 1
Ingeniería Industrial Métodos estadísticos de la Ingeniería Examen Junio 007. ENUNCIADO y SOLUCIONES Problema La memoria RAM para un ordenador se puede recibir de dos fabricantes A y B con igual probabilidad.
Más detallesEstimación. Diseño Estadístico y Herramientas para la Calidad. Estimación. Estimación. Inferencia Estadística
Diseño Estadístico y Herramientas para la Calidad Estimación Epositor: Dr. Juan José Flores Romero juanf@umich.m http://lsc.fie.umich.m/~juan M. en Calidad Total y Competitividad Estimación Inferencia
Más detallesESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL.
ESTIMACIÓN DE PARÁMETROS. INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL. Un intervalo de confianza, para un parámetro poblacional θ, a un nivel de confianza 1 α 100 %, no es más que un intervalo L
Más detallesUNIDAD I. ESTADISTICA
MEDIDAS DE ESTADÍSTICA DESCRIPTIVA (Tomado de: http://www.universidadabierta.edu.mx/serest/map/metodos%20cuantitativos/py e/tema_12.htm) UNIDAD I. ESTADISTICA 1.2 Medidas Descriptivas MEDIDAS DESCRIPTIVAS
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesTema 7: Ejercicios de Inferencia en una población Normal
Tema 7: s de Inferencia en una población Normal Bernardo D Auria Departamento de Estadística Universidad Carlos III de Madrid GRUPO 83 - INGENIERÍA INFORMÁTICA Otros I3 En una explotación minera las rocas
Más detallesMATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN. a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico.
MATERIA: ESTADÍSTICA EJEMPLOS DE POSIBLES PREGUNTAS DE EXAMEN 1. Conteste las preguntas siguientes: a. Cuáles son las escalas en que pueden estar los datos en un análisis estadístico. 1. 2. 3. 4. b. En
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detalles1. Recuerda que el examen dura dos horas, y que durante ese tiempo debes completar tanto el cuestionario como las dos preguntas escritas.
Univ. de Alcalá. Fac. de Biología Dpto. de Matemáticas Grado en Biología Estadística Curso 2011/2012. Examen de enero. Fecha: Martes, 17/1/2012, 10h. LEER ATENTAMENTE ESTAS INSTRUCCIONES 1. Recuerda que
Más detallesEstadística II Examen final junio 27/6/17 Curso 2016/17 Soluciones
Estadística II Examen final junio 27/6/7 Curso 206/7 Soluciones Duración del examen: 2 h y 5 min. (3 puntos) Los responsables de un aeropuerto afirman que el retraso medido en minutos en el tiempo de salida
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesTeorema Central del Límite
Teorema Central del Límite TCL: indica que, en condiciones muy generales, la distribución de la suma de v.a. tiende a una distribución normal cuando la cantidad de variables es muy grande. 156 Sea X 1,
Más detallesPruebas de Hipótesis
Pruebas de Hipótesis Una prueba de hipótesis es una técnica de Inferencia Estadística que permite comprobar si la información que proporciona una muestra observada concuerda (o no) con la hipótesis estadística
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesTema 7. Introducción Metodología del contraste de hipótesis Métodos no paramétricos
7-1 Tema 7 Contrastes de Hipótesis para una Muestra Introducción Metodología del contraste de hipótesis Métodos no paramétricos Test binomial Test de los signos Test de rango con signos de Wilcoxon Test
Más detalles1. Ejercicios. 2 a parte
1. Ejercicios. 2 a parte Ejercicio 1 Calcule 1. P (χ 2 9 3 33) 2. P (χ 2 15 7 26). 3. P (15 51 χ 2 8 22). 4. P (χ 2 70 82). Ejercicio 2 Si X χ 2 26, obtenga un intervalo [a, b] que contenga un 95 % de
Más detallesIntervalos de Confianza
Intervalos de Confianza Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Intervalo de Confianza Se puede hacer una estimación puntual de
Más detallesEstadística Inferencial. Sesión 4. Estimación por intervalos
Estadística Inferencial. Sesión 4. Estimación por intervalos Contextualización. Como se definió en la sesión anterior la estimación por intervalos es utilizada para medir la confiabilidad de un estadístico.
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesEstadística. Contrastes para los parámetros de la Normal
Contrastes para los parámetros de la Normal Prof, Dr. Jose Jacobo Zubcoff Departamento de Ciencias del Mar y Biología Aplicada Contrastes para los parámetros de la Normal Contrastes para los parámetros
Más detallesESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO
ESTIMACIONES INTERVALOS DE CONFIANZA CON VARIANZA DIFERENTE LI. MIGUEL CANO Varianzas poblacionales desconocidas y distintas Muestras grandes (n 30) Muestras pequeñas (n
Más detallesA. PRUEBAS DE BONDAD DE AJUSTE: B.TABLAS DE CONTINGENCIA. Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords
A. PRUEBAS DE BONDAD DE AJUSTE: Chi cuadrado Metodo G de Fisher Kolmogorov-Smirnov Lilliefords B.TABLAS DE CONTINGENCIA Marta Alperin Prosora Adjunta de Estadística alperin@fcnym.unlp.edu.ar http://www.fcnym.unlp.edu.ar/catedras/estadistica
Más detallesPROBABILIDAD Y ESTADÍSTICA ININ4010 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6
PROBABILIDAD Y ESTADÍSTICA ININ4 Prof. DAVID GONZÁLEZ BARRETO SOLUCIÓN ASIGNACIÓN 6. Con base en probabilidades de la distribución normal a, 2 y 3 desviaciones, determine para una variable con μ = 5 y
Más detallesC/ Fernando Poo 5 Madrid (Metro Delicias o Embajadores).
Ejercicio 1 AÑO 013- OPCIÓN A mx + y + z = m 1 m 1 x + my = 1 } (A) = ( 1 m 0 ) (A ) = ( 1 m 0 1 ) 6y z = 1 1 Calculamos el det(a) e igualamos a cero para sacar los valores en los que el determinante se
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesDISTRIBUCION "F" FISHER
Imprimir INSTITUTO TECNOLOGICO DE CHIHUAHUA > DISTRIBUCION "F" FISHER La necesidad de disponer de métodos estadísticos para comparar las varianzas de dos poblaciones es evidente a partir
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesEstadística I Solución Examen Final- 19 de junio de Nombre y Apellido:... Grupo:...
Estadística I Examen Final- 19 de junio de 2009 Nombre y Apellido:... Grupo:... (1) La siguiente tabla muestra las distribuciones de frecuencias absolutas de la variable altura (en metros) de n = 500 estudiantes
Más detallesProfesor: Carlos Valle Página:
Capítulo 8 Contraste de Hipótesis I Semestre 6 Profesor: Carlos Valle Página: www.inf.utfsm.cl/~cvalle e-mail: cvalle@inf.utfsm.cl Contraste de Hipótesis Contrastar una Hipótesis Estadísticamente es juzgar
Más detallesMs. C. Marco Vinicio Rodríguez
Ms. C. Marco Vinicio Rodríguez mvrodriguezl@yahoo.com http://mvrurural.wordpress.com/ Uno de los objetivos de la estadística es saber acerca del comportamiento de parámetros poblacionales tales como:
Más detallesUniversidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre Profesor: Jaime Soto
Universidad Rafael Belloso Chacín (URBE) Cátedra: Fundamentos de Estadística y Simulación Básica Semestre 2011-1 Profesor: Jaime Soto PRUEBA DE HIPÓTESIS Ejemplo El jefe de la Biblioteca de la URBE manifiesta
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
Más detallesPRUEBA DE BONDAD DE AJUSTE O PRUEBA CHI - CUADRADO
O PRUEBA CHI - CUADRADO Hasta ahora se han mencionado formas de probar lo que se puede llamar hipótesis paramétricas con relación a una variable aleatoria, o sea que se ha supuesto que se conoce la ley
Más detallesEstadística Aplicada
Estadística Aplicada Universidad Maimónides 2016 Clase 5 Distribución de la Media Muestral Pedro Elosegui 1 2 Métodos y Distribuciones de Muestreo En estadística nos gustaría contar con los parámetros
Más detallesCLAVE-Laboratorio 9: Pruebas t para una y dos muestras independientes
(revisado_oct 15_LWB/RS) CLAVE-Laboratorio 9: Pruebas t para una y dos muestras independientes 1. Calcule las siguientes probabilidades usando la tabla t e InfoStat. Incluya un diagrama en cada caso. a.
Más detallesMedidas de dispersión
Medidas de dispersión Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución. Las medidas de dispersión son: Rango o recorrido El rango es la diferencia
Más detallesEXAMEN DE ESTADÍSTICA Junio 2012
EXAMEN DE ESTADÍSTICA Junio 2012 Apellidos: Nombre: DNI: GRUPO: 1. En una población se han realizado 120 observaciones sobre las variables X e Y, obteniéndose la siguiente tabla de frecuencias absolutas
Más detallesPONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS. Sec. Repaso EX III MAT. 298 Núm.
PONTIFICIA UNIVERSIDAD CATÓLICA DE PUERTO RICO DEPARTAMENTO DE FÍSICA MATEMÁTICAS Nombre: Fecha: Sec. Repaso EX III MAT. 298 Núm. I. Verdadero (V) o Falso (F).. La Curva de Probabilidad Normal Estándar
Más detallesTeoría de la decisión Estadística
Pruebas de hìpótesis Unidad 8. Pruebas de hipótesis. Formulación general. Distribución de varianza conocida. Prueba para la bondad del ajuste. Validación de modelos 1 Formulación Una Hipótesis es una proposición
Más detallesProf. Jose Jacobo Zubcoff Universidad de Alicante 1
Dept. of Marine Science and Applied Biology Jose Jacobo Zubcoff Presentación Objetivos Metodología Evaluación Agenda Definiciones Inferencia Muestra y s Aleatoria Independiente Finitas, Infinitas Población
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesINGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS
UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO CENTRO UNIVERSITARIO UAEM ZUMPANGO INGENIERO AGRÓNOMO EN PRODUCCIÓN TEMA: ESTIMACION Y PRUEBA DE HIPÓTESIS ELABORÓ: M. EN C. LUIS ENRIQUE KU MOO FECHA: ENERO DE
Más detallesEstadística I Tema 5: Introducción a la inferencia estadística
Estadística I Tema 5: Introducción a la inferencia estadística Tema 5. Introducción a la inferencia estadística Contenidos Objetivos. Estimación puntual. Bondad de ajuste a una distribución. Distribución
Más detallesPrueba de Hipótesis 1
Prueba de Hipótesis 1 Pruebas de hipótesis para una muestra Objetivos: Al terminar este material podrá: 1. Definir hipótesis y prueba de hipótesis. 2. Describir el procedimiento de cinco pasos para realizar
Más detallesTécnicas de Muestreo Métodos
Muestreo aleatorio: Técnicas de Muestreo Métodos a) unidad muestral elemental: a.1) muestreo aleatorio simple a.2) muestreo (seudo)aleatorio sistemático a.3) muestreo aleatorio estratificado b) unidad
Más detallesANÁLISIS DE LA VARIANZA PARTE PRIMERA
ANÁLISIS DE LA VARIANZA PARTE PRIMERA Febrero de 2012 Índice general 1. INTRODUCCIÓN............................... 1 2. FUNDAMENTOS DEL DISEÑO COMPLETAMENTE ALEATO- RIZADO....................................
Más detallesPATRONES DE DISTRIBUCIÓN ESPACIAL
PATRONES DE DISTRIBUCIÓN ESPACIAL Tipos de arreglos espaciales Al azar Regular o Uniforme Agrupada Hipótesis Ecológicas Disposición al Azar Todos los puntos en el espacio tienen la misma posibilidad de
Más detallesEstadística I MATERIAL COMPLEMENTARIO Cálculo de probabilidades
Estadística I MATERIAL COMPLEMENTARIO Cálculo de probabilidades 1. Introducción Para calcular intervalos de confianza pueden utilizarse fórmulas o funciones estadísticas de Excel. A cualquier función estadística
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesDeterminación del tamaño de muestra (para una sola muestra)
STATGRAPHICS Rev. 4/5/007 Determinación del tamaño de muestra (para una sola muestra) Este procedimiento determina un tamaño de muestra adecuado para la estimación o la prueba de hipótesis con respecto
Más detallesProbabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, Examen de la convocatoria extraordinaria,
Probabilidad y Estadística Segundo del grado en Telecomunicaciones, UAM, 2014-2015 Examen de la convocatoria extraordinaria, 22-6-2015 Nombre y apellidos.......................................................................
Más detallesMEDIDAS DE VARIABILIDAD
MEDIDAS DE VARIABILIDAD 1 Medidas de variabilidad Qué son las medidas de variabilidad? Las medidas de variabilidad de una serie de datos, muestra o población, permiten identificar que tan dispersos o concentrados
Más detallesExplicación de la tarea 4 Felipe Guerra
Explicación de la tarea 4 Felipe Guerra Nota: Esta tarea corresponde a distribuciones continuas de probabilidad, la tarea de la semana anterior correspondía a distribuciones discretas. La diferencia entre
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesPPTCEG061EM33-A17V1. Distribución normal 1
PPTCEG061EM33-A17V1 Distribución normal 1 Propiedades distribución normal Distribución normal tipificada Es una distribución estadística continua cuya función de densidad es simétrica, y cuya forma se
Más detallesMatemática Aplicada y Estadística - Farmacia Soluciones del Primer Examen Parcial - Grupo 3
1. Se está haciendo un estudio de medicamentos diferentes que contienen un principio activo común La distribución de frecuencias se indica en la tabla que sigue: Cantidad de sustancia mg [10,20 [20,30
Más detallesPROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS
Estadística 1 PROBLEMAS DE ESTIMACIÓN PUNTUAL Y POR INTERVALOS 1. Obtener un estimador insesgado para p en una m.a.s. de tamaño n de una distribución binomial B(m,p) con m conocido y calcular su error
Más detallesaceptar o rechazar evidencia hipótesis nula y la hipótesis alternativa enunciado que se probará "no hay efecto" o "no hay diferencia"
PRUEBA DE HIPOTESIS Técnica estadística que se sigue para decidir si rechazamos o no una hipótesis estadística en base a la información de la muestra. Es una afirmación de lo que creemos sobre una población.
Más detallesMatemáticas aplicadas a las Ciencias Sociales II
a la Matemáticas aplicadas a las Ciencias Sociales II a la Manuel Molina Fernández y Jiménez Basado en apuntes del Máster Universitario en Formación del Profesorado en Educación Secundaria CPR Mérida 24
Más detallesANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS
ANALISIS ESTADISTICO MINISTERIO DE ECONOMIA Y FINANZAS NOV 2015 PLAN DE ESTUDIO 1. ESTADISTICA DESCRIPTIVA 1. MEDIDAS DE TENDENCIA CENTRAL PRIMER MOMENTO 2. OTRAS MEDIDAS DE TENDENCIA CENTRAL 3. MEDIDAS
Más detallesExplicación de la tarea 2 Felipe Guerra
Explicación de la tarea 2 Felipe Guerra Para los siguientes grupos de datos (1 al 5) calcular: a) la media aritmética. f) el rango. b) la mediana. g) la varianza muestral y poblacional. c) la moda. h)
Más detallesR E S O L U C I Ó N. σ σ a) El intervalo de confianza de la media poblacional viene dado por: IC.. µ zα, µ+ zα
En una población una variable aleatoria sigue una ley Normal de media desconocida y desviación típica. a) Observada una muestra de tamaño 400, tomada al azar, se ha obtenido una media muestral igual a
Más detallesSimulación a Eventos Discretos. Clase 8: Análisis de resultados
Simulación a Eventos Discretos Clase 8: Análisis de resultados Muestras independientes Los resultados de una corrida de una simulación estocástica (denominados respuestas), son muestras de alguna distribución.
Más detallesDistribuciones de parámetros conocidos
10.3. CONTRASTE DE BONDAD DE AJUSTE PARA DISTRIBUCIONES265 350 300 observaciones esperado(x) 250 Frecuencias esperadas 200 150 100 Frecuencias observadas 50 0 55 60 65 70 75 80 85 90 Figura 10.2: En los
Más detallesLECTURA 03: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT. MANEJO DE TABLAS ESTADISTICAS.
LECTURA 3: DISTRIBUCIÓN T STUDENT Y DISTRIBUCIÓN CHICUADRADO TEMA 6: DISTRIBUCION T STUDENT MANEJO DE TABLAS ESTADISTICAS 1 INTRODUCCION Se dice que una variable aleatoria T tiene una distribución t de
Más detallesUNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4
UNIVERSIDAD DE MANAGUA Al más alto nivel SIMULACIÓN DE SISTEMAS Modelos de Simulación Guía práctica #4 Prof.: MSc. Julio Rito Vargas A. Febrero 2013 Objetivos: Aplicar las técnicas estudiadas para desarrollar
Más detallesEstadística para la toma de decisiones
Estadística para la toma de decisiones ESTADÍSTICA PARA LA TOMA DE DECISIONES. 1 Sesión No. 10 Nombre: Pruebas de Hipótesis. Parte II Objetivo Al término de la sesión el estudiante analizará la prueba
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesEXAMEN DE ESTADÍSTICA Junio 2011
EXAMEN DE ESTADÍSTICA Junio 2011 Apellidos: Nombre: DNI: GRUPO: 1. Sea X una variable aleatoria discreta. Determine el valor de k para que la función p(x) { k/x x 1, 2, 3, 4 0 en otro caso sea una función
Más detallesEstadísticas y distribuciones de muestreo
Estadísticas y distribuciones de muestreo D I A N A D E L P I L A R C O B O S D E L A N G E L 7/11/011 Estadísticas Una estadística es cualquier función de las observaciones en una muestra aleatoria que
Más detallesEstadística Aplicada
Estadística Aplicada Distribuciones de Probabilidad Variables aleatorias Toman un valor numérico para cada resultado de un espacio muestral Discretas. Sus valores posibles constituyen un conjunto discreto.
Más detallesParte de las notas tomadas de: Prof. Edgar Acuña UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ
Estadística stica No Paramétrica Parte de las notas tomadas de: Prof. Edgar Acuña http://math.uprm math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ METODOS ESTADISTICOS
Más detallesTema 4: Estimación por intervalo (Intervalos de Confianza)
Tema 4: Estimación por intervalo (Intervalos de Confianza (a partir del material de A. Jach (http://www.est.uc3m.es/ajach/ y A. Alonso (http://www.est.uc3m.es/amalonso/ 1 Planteamiento del problema: IC
Más detallesEstadística Inferencial
Estadística Inferencial Contrastes de Hipótesis para Diferencias de medias y de proporciones ( ( Si H 0 es Verdadera entonces: ( Si H 0 es Verdadera entonces podemos estimar p con: 1 Para probar H 0 usamos
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detallesCaso particular: Contraste de homocedasticidad
36 Bioestadística: Métodos y Aplicaciones 9.5.5. Caso particular: Contraste de homocedasticidad En la práctica un contraste de gran interés es el de la homocedasticidad o igualdad de varianzas. Decimos
Más detallesTEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA
TEST DE RAZÓN DE VEROSIMILITUD GENERALIZADA JUAN C. MANRÍQUEZ 1, LUIS CID 2 y MARCELA VALDEZ 3 1 Universidad del Bío Bío, Facultad de Ciencias, Departamento de Matemáticas jcmanriq@ubiobio.cl 2 Universidad
Más detallesDISTRIBUCIÓN CHI-CUADRADO O JI-CUADRADO X 2 CONCEPTO BÁSICO Frecuencia: es el número de datos que caen en cada celda. Frecuencias Observadas (fo):
DISTRIBUCIÓN CHI-CUADRADO O JI-CUADRADO X CONCEPTO BÁSICO Frecuencia: es el número de datos que caen en cada celda. Frecuencias Observadas (fo): son aquellas que representan los valores muestrales observados
Más detallesEl procedimiento de decisión incluye la posibilidad de equivocarnos, por lo tanto nuestra conclusión bien puede ser errónea
El procedimiento de decisión incluye la posibilidad de equivocarnos, por lo tanto nuestra conclusión bien puede ser errónea Ejemplo Es posible que el valor verdadero de la rapidez promedio de combustión
Más detallesMatemáticas Aplicadas I: Ev2 Recuperación febrero 2018
Matemáticas Aplicadas I: Ev2 Recuperación febrero 2018 PARTE 1: ESTADÍSTICA UNIDIMENSIONAL Y BIDIMENSIONAL 1. La siguiente tabla recoge las edades de las personas que han subido a un avión. Edad [0, 18)
Más detallesProbabilidades y Estadística Práctica N 5
Probabilidades y Estadística Práctica N 5 1er cuatrimestre 2008 Ejercicio Nº 1 Tomar la serie de temperaturas medias mensuales de la estación Las Flores, (Tlasflor) para los meses de junio, julio y agosto,
Más detallesVariables aleatorias: El caso continuo. Random variables: The continuous case. Rincón de la Bioestadística
Variables aleatorias: El caso continuo Gabriel Cavada Ch. 1 1 División de Bioestadística, Escuela de Salud Pública, Universidad de Chile. Random variables: The continuous case E l tratamiento de una variable
Más detallesINFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES
UNIDAD 2 INFERENCIA ESTADÍSTICA MUESTRAL TEMA 4: MEDIAS Y PROPORCIONES CON DOS POBLACIONES Técnicas para comparar dos poblaciones 1 Técnicas para comparar dos poblaciones Técnicas para comparar dos poblaciones
Más detallesEJERCICIO PROPUESTO CHI-CUADRADO O BONDAD DE AJUSTE
EJERCICIO PROPUESTO CHI-CUADRADO O BONDAD DE AJUSTE 1. Digamos que 900 estudiantes expresan su voluntad por celebrar el aniversario de la institución organizando uno de dos eventos: una acto solemne en
Más detalles